北京,2018年2月7日——Hitachi Vantara近日宣布,Hitachi Vantara HCP入围Gartner于2018年1月25日发布的《2018对象存储关键能力研究报告》。
对象存储在消除传统存储与新兴云技术之间的差距方面有着广泛的用途,旨在帮助企业从任何地方的访问数据并从中获得最大价值。由于对象存储自身集成了面向对象的数据管理能力,它得到了基础架构和运营负责人、以及企业开发人员的广泛关注,并赢得了大量投资。
在此次报告中,Gartner分析师Raj Bala、John McArthur和Garth Landers基于八大关键能力,对13款对象存储产品进行了评估。这些能力分别是:容量、可互操作性、可管理性、性能、弹性、安全性、多租户、存储效率和价格。此外,分析师还评估了这些存储产品在五大应用场景中的表现,即分析、归档、备份、内容分发和云存储。
相比报告的以前版本,Hitachi Vantara HCP在全部五大应用场景中的得分均有显著提高。*
Hitachi Vantara认为公司产品的改进主要集中在以下方面:
ŸHCP在提供智能云对象存储解决方案生态系统方面表现卓著,提供了独特的私有云、混合云或公有云存储服务。通过使用该平台,企业能够轻松支持混合工作负载,加快响应速度,灵活地在多种公有云服务中存储和移动数据。在带来这些优势的同时,它还能够帮助企业降低总体拥有成本(TCO),提高存储的有效容量。
Ÿ处理大数据应用可能会耗费大量时间。HCP提供了整合的搜索与分析解决方案,能够支持企业通过分析数据发现新的机遇与宝贵洞察。此外,该平台具备的强大分析功能还能够帮助企业充分利用其数据的价值,及时发现新的洞察,快速取得显著成效。在此基础之上,企业将能够大幅提升效率和业绩。
HCP包含多项性能提升功能,如能够支持更快上传大文件的增强的多数据库文件传输功能,轻松解决内容共享冲突的功能,以及通用文件迁移功能改进等。增强的性能对于关键对象存储服务至关重要,将能够帮助企业更快响应变更,同时有效优化成本。
HCP具备多项强大的内建功能,能够支持客户通过平稳地改变其现有主要存储的用途,显著提高存储的有效容量。同时,平台还提供了易用的下载和上传功能,并能够有效监测和控制不断增长的数据量。
Hitachi Vantara首席产品与战略官Brad Surak表示:“HCP在今年Gartner《对象存储关键能力研究报告》中的排名,突显了我们公司的强大实力,以及我们在Hitachi Vantara内容产品组合方面的持续投资和创新能力。客户选择与我们合作,来帮助他们收集、存储、保护和分析数据,以便能够更快做出更明智的决策。同时我们也非常自豪地看到,我们屡获殊荣的HCP正在成为全球成千上万家企业的首选IT存储解决方案。”
Hitachi Vantara 2017年推出了HCP多项更新,包括每个集群的可用存储容量提升400%,通过10TB硬盘将存储节点容量提高67%,每个节点的对象数量提高55%,以及大幅简化的软件许可等。在此基础之上,在企业用例中,客户将能够实现总体拥有成本(TCO)比公有云降低超过60%。
资料来源:Gartner,《存储对象关键能力研究报告》,Raj Bala、Garth Landers和John McArthur,2018年1月25日。*在2016年版报告中,Hitachi Vantara HCP的名称为Hitachi Data Systems HCP。
Gartner免责声明
Gartner不推荐其旗下研究报告中所提及的任何供应商、产品或服务,也不推荐技术用户仅仅选择评级最高或具有其他标识的供应商。Gartner研究报告只代表Gartner研究机构的观点,不应被理解为事实陈述。Gartner对于和本研究有关的一切事宜,不提供任何无论是明确的或隐含的,包括与任一特定用途相关的适销性和适用性方面的保证。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。